目的:多发性硬化（MS）非强化病灶体积变化与其慢性活动性有关,可用于评估疾病进展。因此,本研究拟采用多种机器学习方法建立影像组学模型预测病灶体积变化,以此探讨MS非强化病灶慢性活动性演变规律,并探寻具有最佳效能的预测模型。资料与方法:本研究纳入评估了36例MS患者（平均年龄32.53±10.91岁;女性23例,男性13例）随访MR图像。以非强化病灶体积在MRI随访中较基线期增大或减小>20%为标准,分别将病灶定义为慢性活动性和慢性非活动性病灶。在T2-FLAIR图像上提取病灶的影像组学特征,采用递归特征消除（RFE）、Relief F算法和最小绝对收缩算子（LASSO）算法进行特征选择,然后采用逻辑回归（LR）、随机森林（RF）和支持向量机（SVM）三种分类器建立预测模型。将以上3种特征选择方法和3种机器学习算法两两组合构建组学模型,并在不同K倍交叉验证（5≤K≤10）下计算受试者工作特征（ROC）曲线下面积（AUC）、准确率、敏感度、特异度,从而评估模型效能的一致性和有效性。结果:本研究纳入135个慢性非活动性病灶和110个慢性活动性病灶,共提取972个影像组学特征,其中265个为稳健特征。基于Relief F与SVM分类器组合建立的模型预测效能最好,在测试集中平均准确率为0.928,灵敏度为0.915,特异度为0.937,AUC为0.944,在验证集中平均准确率为0.827,灵敏度为0.809,特异度为0.841,AUC为0.857。该最佳模型筛选出的组学特征共11个,包括6个纹理特征和5个高阶统计特征,其中高阶统计特征体系中的大依赖高灰度区域优势（LDHGLE）、纹理特征-灰度大小区域矩阵（GLSZM）特征体系中的小范围高灰度区域范围优势（SAHGLE）和高灰度区域优势（HGLZE）是较为重要的特征。结论:研究结果表明基于T2-FLAIR的影像组学方法对预测MS非强化病灶的慢性活动性具有较高的临床应用价值。